随着社会经济的快速发展,城市生活日益丰富,随之而来的是越来越多的出行需求,因此交通系统的完善成为城市进步的标志。然而,交通的快速发展也有其弊端,不仅会造成城市的拥堵,机动车的污染物排放更是会影响居民生活、自然生态,乃至全球气候。纵使已有相关政府部门采取以减排为目的的交通管理策略,但是鲜少有通过智慧城市交通管理手段来进行交通减排。为了更有效地解决交通相关的环境问题,深度理解动态交通系统与机动车排放,以及空气污染浓度之间的机理关系尤为重要。本研究基于多源数据,旨在挖掘城市交通及机动车排放、空气污染浓度的关系,本文的主要研究成果与贡献在于:1.作为大数据分析技术的基础,分别在北京市西北角、西南角和东南角三个试验点设立污染浓度监测站,采取秒为单位的空气细颗粒物浓度(PM2.5)。此外,利用爬虫技术获取美国驻华大使馆官网上的小时为单位的主要空气污染物浓度(CO、NO_X、PM2.5),以及气象数据(温度、相对湿度、压强等),和北京环保局公布的小时为单位的主要污染物浓度。2.现有的研究定性表明环境受气象、环境等多方因素影响。基于采集到的多源数据,首先计算空气质量与气象、环境因素等的皮尔逊系数。结论显示,交通相关因素的确与空气质量有中强相关性。3.为进一步探索交通与排放的机理,结合单车排放模型和基本图理论模型,建立了中观的交通排放估计模型。并分别从微观的机动车运行工况层面,和中观的道路交通状况层面,建立速度-加速度-排放理论模型和路段平均速度-断面流量-排放理论模型。从两个模型的表现,找出高排放对应的运行工况和交通状况。4.基于中观排放模型估计结果,采用机器学习的方法,建立空气污染物总浓度估计模型,发现机动车排放浓度在空气污染物总浓度估计中有一定贡献。本研究定量地揭露了交通与排放之间的关联关系,并且找出了高排放对应的运行工况和交通状况,这对于以减排为目的的交通管理策略的制定可以提供一定的科学依据和有效建议。